无线传感器网络(WSN)是一种包括数据采集,数据处理,数据传输与数据存储的关键技术,由于其应用灵活,能耗较低等特点,已经成为近年来专家学者关注的研究热点之一。数据故障检测技术作为一种WSN中保障数据可靠性的重要技术,也正受到学术各界的广泛关注。许多智能算法被应用于WSN数据故障检测中,它们不仅增加了现有故障检测算法的多样性,而且提高了不同的应用场景下WSN故障检测的性能。本文首先对传感器网络中数据故障的常见类型,数据模型与故障原因进行分析,并且对传感器网络数据在空间上的相关性进行了分析与研究。由于传感器故障数据导致其与邻居节点的数据在累积概率分布上有差异,因此本文设计了基于KS检验和投票的实数免疫遗传故障检测算法(Real Immune Genetic Fault Detection Algorithm,RIGFDA)。现有文献中将免疫遗传算法用于故障检测中的较少。算法的创新之处在于使用了实数免疫遗传算法优化进行故障检测,不需要建立传感器数据的模型或是设置故障检测的阈值,并且利用KS检验与自定义的绝对相同系数的不同特点实现对多种传感器故障类型进行检测。算法的实验结果表明,相比于其他的故障检测算法,RIGFDA能够实现较高的检测率与较低的虚警率,并且算法能够适应多种复杂环境,算法的通用性较强。传感器数据不仅仅具有空间相关性,而且具有时间相关性。利用传感器数据的时间相关性可以在单个节点上实现故障检测,减少网络的通信开销。由于现有的基于时间相关性的算法大多只利用连续采样点之间的相关性进行故障检测而忽视了数据的周期性,因此本文在深入研究传感器数据时间相关性与周期性的同时提出了基于集成深度信念网络故障检测算法。算法的创新之处在于使用神经网络集成的方式实现多种故障类型的检测,更关键的是算法降低了网络的训练复杂度并且提高了故障检测的精度。同时算法在单片机或是FPGA上实现以验证算法在实际应用中的可行性。算法的实验结果表明,相比于传统的机器学习故障检测算法,深度学习算法具有更好的故障检测性能。本文的两种故障检测算法的验证采用IBRL数据集与GStB数据集。实验表明,本文的算法能够实现对多种故障类型的检测,在IBRL与GStB数据集上检测准确率优于现有算法,且虚警率较低。同时本文在实物平台上实现了故障检测算法,并且对其进行了验证。